振动信号分析

技术概述

振动信号分析是一种基于信号处理技术的状态监测与故障诊断方法，通过采集机械设备运行过程中产生的振动数据，运用时域、频域和时频域等多种分析手段，提取设备运行状态的特征信息，从而实现对设备健康状况的评估和故障的早期预警。作为现代设备维护管理的核心技术之一，振动信号分析在工业生产中发挥着不可替代的作用。

振动是机械设备运行过程中最普遍的物理现象之一。当设备内部零部件出现磨损、松动、不平衡、不对中、轴承损坏等异常情况时，振动信号的特性会发生相应变化。通过对这些变化进行系统性的分析和解读，技术人员可以在设备发生严重故障之前及时发现问题，采取相应措施，避免非计划停机和重大事故的发生。

从技术原理角度来看，振动信号分析建立在机械动力学、信号处理、模式识别等多学科基础之上。振动信号中蕴含着丰富的机械状态信息，包括振动的幅值、频率、相位、波形形态等特征参数。不同类型的故障会在振动信号中留下独特的"指纹"特征，例如转子不平衡会产生明显的工频分量，轴承故障会激发特定的高频冲击成分，齿轮啮合不良则会在频谱上呈现边频带结构。

随着传感器技术、计算机技术和信号处理算法的不断发展，振动信号分析技术已经从传统的简单阈值报警发展到智能化的状态监测与故障诊断系统。现代振动信号分析系统能够实现数据的自动采集、存储、分析和报警，大大提高了设备维护的效率和准确性，为企业的预测性维护策略提供了坚实的技术支撑。

检测样品

振动信号分析检测的对象涵盖了各类旋转机械、往复机械和动力传输设备。根据设备类型和应用场景的不同，检测样品可以划分为以下几大类：

• 旋转机械类：包括各类电动机、发电机、汽轮机、燃气轮机、压缩机、风机、泵、离心机等。这类设备是振动信号分析最主要的检测对象，其振动特征与转速密切相关，频谱分析效果显著。
• 传动系统类：包括齿轮箱、减速机、联轴器、皮带传动系统、链条传动系统等。传动系统内部包含齿轮、轴承等多种部件，振动信号成分复杂，需要采用多种分析方法综合判断。
• 轴承部件类：包括滚动轴承、滑动轴承、关节轴承等各类轴承元件。轴承是机械设备中最容易损坏的部件之一，振动信号分析能够有效识别轴承的早期故障。
• 往复机械类：包括往复式压缩机、往复泵、内燃机、液压马达等。往复机械的振动信号具有周期性和冲击性特点，需要采用特定的分析方法。
• 结构部件类：包括各类机械结构、管道系统、支撑平台等。结构振动分析主要用于评估结构的动态特性和共振风险。
• 精密设备类：包括精密机床、半导体制造设备、医疗影像设备等对振动敏感的高精度设备。

在实际检测过程中，需要根据设备的具体类型、结构特点、运行工况和监测目的，选择合适的测点位置和测量方案。通常情况下，每个测点需要测量水平和垂直两个方向的振动，对于重要设备还需要增加轴向测量，以全面掌握设备的振动状态。

检测项目

振动信号分析检测项目涵盖了振动参数测量、特征提取和故障诊断等多个层面的内容。根据分析域的不同，主要检测项目可以分为以下几类：

时域分析项目：

• 振动位移：反映振动体相对于参考位置的最大偏移量，单位通常为微米或毫米。位移量主要用于评估低转速设备的振动状态和间隙变化。
• 振动速度：反映振动的快慢程度，单位通常为毫米每秒。速度有效值是评价旋转机械振动烈度的国际通用指标。
• 振动加速度：反映振动的剧烈程度，尤其对高频成分敏感，单位通常为米每二次方秒或重力加速度g。加速度参数广泛用于轴承和齿轮故障的检测。
• 振动波形：展示振动信号的时域变化过程，可以直观地观察振动的形态特征、冲击成分和调制现象。
• 峰值指标：包括峰值、峰峰值、均方根值、峰值因子、脉冲因子、裕度因子等统计参数，用于表征波形的形状特征。

频域分析项目：

• 频谱分析：将时域信号转换到频域，展示各频率成分的幅值分布，是振动分析最基本也是最重要的分析方法。
• 特征频率识别：识别并分析转频、倍频、分频、轴承故障频率、齿轮啮合频率等特征频率成分，用于判断故障类型。
• 边频带分析：分析调制现象产生的边频带结构，用于识别齿轮和轴承故障。
• 相位分析：测量振动的相位关系，用于判断不平衡、不对中、偏心等故障类型。
• 谐波分析：分析振动的谐波成分和比例关系，用于评估振动的线性程度。

时频域分析项目：

• 短时傅里叶变换：分析非平稳信号的时变频率特性。
• 小波分析：实现信号的多分辨率分析，有效提取瞬态和冲击成分。
• 经验模态分解：将复杂信号分解为若干固有模态函数，适合分析非线性非平稳信号。
• 希尔伯特-黄变换：结合经验模态分解和希尔伯特变换，获得信号的时频能量分布。

检测方法

振动信号分析检测方法涉及数据采集、信号预处理、特征提取和状态判断等多个环节，需要根据检测目的和设备特点选择合适的技术路线：

数据采集方法：

振动信号的采集是整个分析工作的基础。在数据采集阶段，需要确定采样频率、采样时长、测点布置和触发方式等关键参数。根据奈奎斯特采样定理，采样频率应至少为分析频率范围的两倍以上，实际应用中通常采用更高倍数以确保数据质量。采样时长的设置需要考虑频率分辨率要求和信号的平稳性。

信号预处理方法：

原始振动信号通常包含噪声干扰和非振动成分，需要进行预处理以提高分析效果。常用的预处理方法包括：

• 去趋势处理：消除信号中的线性趋势和直流分量。
• 滤波处理：采用低通、高通、带通或带阻滤波器去除噪声和无关频率成分。
• 重采样处理：将信号转换为统一的时间分辨率，便于比较分析。
• 加窗处理：减少频谱分析中的泄漏现象，常用的窗函数包括汉宁窗、汉明窗、平顶窗等。
• 平均处理：通过时域平均或频域平均提高信号的信噪比。

时域分析方法：

时域分析直接在时间域对振动波形进行处理和统计。除了基本的幅值统计外，还包括相关分析、包络分析、同步平均等方法。包络分析特别适用于滚动轴承和齿轮故障的检测，通过提取振动信号的高频包络，可以有效揭示周期性冲击成分。

频域分析方法：

频域分析通过傅里叶变换将时域信号转换为频域频谱，揭示振动的频率成分。快速傅里叶变换是最常用的算法，在此基础上还发展出了细化谱分析、倒频谱分析、包络谱分析等专门技术。细化谱分析可以在特定频段内实现高分辨率分析；倒频谱分析能够有效识别频谱中的周期性结构；包络谱分析则是轴承故障诊断的重要工具。

时频分析方法：

对于转速变化、启停过程等非平稳工况，传统的时域和频域分析方法效果有限，需要采用时频分析方法。小波分析是目前应用最广泛的时频分析技术，通过选择合适的小波基函数和分解尺度，可以在不同频率分辨率下观察信号的局部特征。此外，魏格纳-威利分布、短时傅里叶变换、希尔伯特-黄变换等方法也各有优势。

智能诊断方法：

随着人工智能技术的发展，基于机器学习和深度学习的智能诊断方法日益成熟。支持向量机、神经网络、随机森林等分类算法可以自动识别故障模式；主成分分析、线性判别分析等降维技术可以提取最具判别力的特征；深度学习模型如卷积神经网络、循环神经网络等能够直接从原始信号中学习故障特征，减少对专家经验的依赖。

检测仪器

振动信号分析检测仪器种类繁多，从简单的便携式测振仪到复杂的在线监测系统，不同类型的仪器适用于不同的应用场景：

便携式振动分析仪：

便携式振动分析仪是设备点检和现场巡检的常用工具。这类仪器体积小、重量轻、操作简便，能够测量振动位移、速度、加速度等基本参数，部分高端型号还具备频谱分析和简单的故障诊断功能。便携式分析仪适合对大量设备进行定期巡检，及时发现异常情况。

数据采集器：

数据采集器配合分析软件构成了完整的数据采集分析系统。数据采集器负责振动信号的模数转换和存储，分析软件则完成信号处理、特征提取和报告生成等工作。这类系统功能强大，可以执行复杂的频谱分析、时频分析和故障诊断，适合专业技术人员使用。

在线监测系统：

对于大型关键设备，需要采用在线监测系统实现连续不间断的状态监测。在线监测系统由安装在设备上的固定传感器、数据采集单元和中心服务器组成，能够实时采集和分析振动数据，自动生成趋势报告和报警信息。现代在线监测系统还集成了网络通信功能，支持远程访问和移动端查看。

振动传感器：

振动传感器是整个检测系统的核心部件，传感器的性能直接决定了测量的质量。常用的振动传感器包括：

• 压电式加速度传感器：具有灵敏度高、频响范围宽、动态范围大等优点，是振动测量中应用最广泛的传感器类型。
• 磁电式速度传感器：直接输出与振动速度成正比的电压信号，适合中低频振动测量，但在高频段性能下降。
• 电涡流位移传感器：非接触测量，适合测量轴振动和轴位移，广泛应用于汽轮机、压缩机等大型旋转机械。
• 光纤振动传感器：抗电磁干扰能力强，适合在恶劣环境下使用。
• MEMS振动传感器：体积小、功耗低、成本低，适合大规模部署和物联网应用。

分析软件系统：

专业的振动分析软件是技术人员的得力助手。现代分析软件通常具备数据管理、信号处理、特征提取、故障诊断、趋势分析、报告生成等完整功能。部分软件还内置了专家系统知识库，能够根据振动特征自动判断故障类型和严重程度，为决策提供参考。

应用领域

振动信号分析技术已经广泛应用于国民经济各个领域，为设备安全运行和生产效率提升提供了重要保障：

电力行业：

在火力发电、水力发电、核能发电和新能源发电领域，振动监测是保障机组安全运行的关键技术。汽轮机、发电机、给水泵、送风机、引风机等核心设备都配备了完善的振动监测系统。通过振动信号分析，可以及时发现转子不平衡、轴系不对中、滑动轴承油膜振荡、叶片断裂等故障，避免酿成重大事故。

石油化工行业：

石油化工企业拥有大量的旋转压缩机组、泵机组和搅拌设备，这些设备大多在高温、高压、易燃易爆的工况下运行，对可靠性要求极高。振动信号分析技术在离心压缩机、往复压缩机、离心泵、搅拌器等设备的状态监测中发挥着重要作用。通过在线监测和定期分析，可以有效预防设备突发故障，减少非计划停机损失。

钢铁冶金行业：

钢铁冶金企业的高炉、转炉、连铸机、轧机等主要设备工作环境恶劣，振动监测对于保障生产安全至关重要。特别是高速线材轧机、热连轧机组等大型传动系统，振动信号分析可以有效识别齿轮箱故障、轴承损坏、轧辊偏心等问题，为设备维护决策提供依据。

机械制造行业：

在数控机床、加工中心等精密制造设备上，振动监测不仅用于设备本身的维护，还与加工质量密切相关。主轴振动分析可以评估机床的运行状态和加工能力，刀具振动监测可以实现刀具磨损的在线识别和寿命预测。随着智能制造的发展，振动信号分析与制造执行系统的融合日益紧密。

交通运输行业：

在轨道交通领域，牵引电机、轮对轴承、齿轮箱等关键部件的振动监测是保障运行安全的重要手段。在航空发动机、船舶推进系统等动力装置上，振动信号分析是最主要的状态监控方法之一。汽车发动机和传动系统的振动分析则在产品研发和质量控制中发挥着重要作用。

航空航天领域：

航空发动机的健康状态直接关系到飞行安全，振动监测是发动机健康管理系统的核心组成部分。通过分析发动机转子的振动信号，可以识别叶片损伤、轴承故障、密封失效等异常情况。火箭发动机、卫星姿态控制系统等航天设备同样需要振动监测来验证设计性能和评估运行状态。

建筑工程领域：

振动信号分析在大型建筑结构、桥梁、隧道等土木工程中的应用日益增多。通过监测结构振动，可以评估结构的动态特性、识别损伤位置、验证设计参数。此外，在爆破工程、打桩施工等场合，振动监测是控制环境影响、保护周边建筑物安全的重要措施。

常见问题

问：振动信号分析能够诊断哪些类型的故障？

答：振动信号分析能够有效诊断的故障类型包括：转子不平衡、轴系不对中、机械松动、轴承故障、齿轮故障、轴弯曲、油膜涡动和油膜振荡、摩擦故障、结构共振等。每种故障类型在振动信号中都有特定的表现形式，通过综合分析振动的幅值、频率、相位等特征参数，可以实现较为准确的故障识别。

问：如何选择合适的振动传感器？

答：传感器的选择需要综合考虑测量频率范围、测量动态范围、环境条件、安装方式等因素。对于轴承和齿轮等高频故障的检测，应选择频响范围较宽的压电式加速度传感器；对于一般旋转机械的状态监测，磁电式速度传感器或压电式加速度传感器都可以满足要求；对于轴振动测量，电涡流位移传感器是最佳选择。在高温、强电磁干扰等特殊环境下，需要选用具有相应防护等级的专用传感器。

问：振动监测点的位置如何确定？

答：测点位置的选择应遵循以下原则：一是测点应尽可能靠近振动源，如轴承座是最常见的测点位置；二是测点应在刚性部件上，避免在薄板、管道等易振部位测量；三是测点表面应平整清洁，确保传感器安装稳固；四是测点位置应便于传感器安装和日常维护；五是对于重要设备，应在多个截面布置测点，全面掌握振动分布情况。

问：振动信号分析中的频谱分析有什么作用？

答：频谱分析是振动信号分析中最核心的技术手段。通过频谱分析，可以将复杂的振动波形分解为不同频率成分的组合，识别出与转速相关的工频及其谐波分量、与轴承和齿轮故障相关的特征频率分量、以及与结构共振相关的固有频率分量等。频谱分析的结果可以帮助技术人员判断振动的性质和来源，为故障诊断提供关键线索。

问：什么是振动烈度？如何评定？

答：振动烈度是评价旋转机械振动大小的综合指标，通常采用振动速度的有效值来表示。振动烈度考虑了振动能量在整个频率范围内的分布，比单一频率的振动幅值更能全面反映振动的危害程度。国际标准化组织制定的ISO 10816系列标准（现已更新为ISO 20816）规定了不同类型机械振动烈度的评定标准，将振动状态划分为良好、允许、不安全等若干等级，为现场评价提供依据。

问：时域分析和频域分析各有什么优缺点？

答：时域分析直观明了，能够展示振动的波形特征和统计参数，特别适合识别冲击、摩擦等产生明显波形畸变的故障类型，但时域分析难以揭示振动的频率成分。频域分析能够清晰地展示各频率成分的分布情况，是识别频率相关故障的主要手段，但频域分析假设信号是平稳的，对于转速波动、启停过程等非平稳工况效果欠佳。实际应用中，通常需要结合时域和频域两种方法，综合分析振动特征。

问：轴承故障振动信号有什么特点？

答：滚动轴承发生故障时，振动信号会呈现以下特点：一是在故障初期，振动加速度有效值开始缓慢上升；二是在频谱上会出现与轴承几何参数和转速相关的特征频率成分，如内滚道缺陷频率、外滚道缺陷频率、滚动体缺陷频率等；三是振动信号中会出现周期性冲击成分，通过包络分析可以清晰地识别；四是故障发展到一定程度后，会在宽频带范围内出现能量增加，振动加速度包络谱呈现"雪山"状分布。

问：振动信号分析技术的发展趋势是什么？

答：振动信号分析技术的发展趋势主要体现在以下几个方面：一是智能化程度不断提高，基于深度学习的故障诊断方法正在逐步替代传统的专家经验；二是边缘计算技术的应用，使数据分析更加实时高效；三是与大数据平台的融合，实现海量历史数据的挖掘和价值提取；四是多源信息融合诊断，将振动信号与温度、压力、电流等其他信息综合分析；五是数字孪生技术的应用，通过建立设备虚拟模型实现更精准的状态预测。